Improving Extrinsics between RADAR and LIDAR using Learning

要約

LIDAR と RADAR は、自動運転システムで一般的に使用される 2 つのセンサーです。
効果的なセンサー フュージョンには、2 つの間の外部キャリブレーションが重要です。
この課題は、レーダー測定の精度が低く、情報が少ないために発生します。
この論文では、自律システムにおける 3D RADAR-LIDAR キャリブレーションのための新しいソリューションを紹介します。
この方法では、対応登録やワンステップ最適化アルゴリズムなど、単純なターゲットを使用してデータを生成します。
最適化の目的は、小型多層認識 (MLP) を利用してターゲットの周囲のセンサーの反射エネルギーの回帰を実行しながら、再投影誤差を最小限に抑えることです。
提案されたアプローチは、PyTorch などの深層学習フレームワークを使用し、勾配降下法を通じて最適化できます。
この実験では、360 度の Ouster-128 LIDAR と 360 度の Navtech RADAR を使用して、生の測定値を提供します。
結果は、外部校正パラメータの推定値の改善を達成する上で、提案された方法の有効性を検証します。

要約(オリジナル)

LIDAR and RADAR are two commonly used sensors in autonomous driving systems. The extrinsic calibration between the two is crucial for effective sensor fusion. The challenge arises due to the low accuracy and sparse information in RADAR measurements. This paper presents a novel solution for 3D RADAR-LIDAR calibration in autonomous systems. The method employs simple targets to generate data, including correspondence registration and a one-step optimization algorithm. The optimization aims to minimize the reprojection error while utilizing a small multi-layer perception (MLP) to perform regression on the return energy of the sensor around the targets. The proposed approach uses a deep learning framework such as PyTorch and can be optimized through gradient descent. The experiment uses a 360-degree Ouster-128 LIDAR and a 360-degree Navtech RADAR, providing raw measurements. The results validate the effectiveness of the proposed method in achieving improved estimates of extrinsic calibration parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google